DOI: https://doi.org/10.1038/s41598-024-68843-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39251622
تاريخ النشر: 2024-09-09
المؤلف: Veronica Kariuki وآخرون
الموضوع الرئيسي: تقدير التوزيع الإحصائي وتطبيقاته
نظرة عامة
تقدم هذه الورقة توزيع القوة الأسية للوغاريتم اللوجستي (EAPLL)، وهو امتداد لتوزيع اللوجستي اللوجاريتمي مصمم لنمذجة بيانات البقاء. يتميز توزيع EAPLL ببساطته التحليلية ومرونته في استيعاب أشكال معدلات الفشل المختلفة، بما في ذلك الأشكال المتزايدة، والشكل المعكوس على شكل حرف J، وأشكال حوض الاستحمام. يستمد المؤلفون الخصائص الرياضية الرئيسية لـ EAPLL ويقيمون ثمانية طرق تقدير من خلال محاكاة واسعة، موصين في النهاية بطريقة الحد الأقصى لمنتج المسافات (MPS) لتقدير المعلمات بسبب أدائها المتفوق.
تظهر قابلية تطبيق توزيع EAPLL عمليًا من خلال تحليلها لثلاث مجموعات بيانات بقاء حقيقية، حيث تتفوق على توزيعات اللوجستي اللوجاريتمي المنافسة. بينما يقدم EAPLL مزايا كبيرة في مرونة النمذجة وتناسب البيانات، فإنه يقدم أيضًا تحديات مثل التعقيد المحتمل في تقدير المعلمات والحاجة إلى أدوات حسابية قوية. تؤكد الدراسة على أهمية التوزيع في تحليل البقاء وتقترح اتجاهات بحث مستقبلية، بما في ذلك تطبيقه في مجالات أخرى وتطوير طرق تقدير أكثر كفاءة. بشكل عام، يتم وضع نموذج EAPLL كأداة قيمة لفهم الهياكل البيانية المعقدة والشكوك في ظواهر متنوعة.
نقاش
في هذا القسم، يقدم المؤلفون توزيع EAPLL، وهو نموذج بأربعة معلمات مشتق من طريقة EAP-G وتوزيع LL الأساسي. يتم الإشارة إلى توزيع EAPLL كـ $EAPLL(\alpha, \beta, \theta, \delta)$، ويتميز بثلاث معلمات شكل إيجابية ($\alpha$، $\theta$، و$\beta$) ومعلمة مقياس إيجابية ($\delta$). يتم تسليط الضوء على مرونة توزيع EAPLL من خلال قدرته على نمذجة أشكال بيانات متنوعة، بما في ذلك الأشكال المتماثلة، وغير المتماثلة، وحيدة القمة، والأشكال على شكل حرف J، كما يتضح من الهياكل المتنوعة لدالة كثافة الاحتمال (PDF) ودالة التوزيع التراكمي (CDF). كما تظهر دالة معدل الخطر (HRF) أشكالًا متعددة، مما يعزز قابلية تطبيق التوزيع في تحليل البيانات الواقعية.
يستكشف المؤلفون أيضًا الخصائص الرياضية لتوزيع EAPLL، بما في ذلك دالة الكمية (QF)، واللحظات، وإحصائيات الترتيب. يتم اشتقاق دالة الكمية باستخدام طريقة التحويل العكسي، مما يسهل المحاكاة والتحليل الإحصائي. تكشف اللحظات، التي توفر رؤى حول خصائص التوزيع، أن التغيرات في المعلمات تؤثر بشكل كبير على انحراف التوزيع وكورتوزه. بالإضافة إلى ذلك، يقدم المؤلفون فحصًا شاملاً لتقنيات تقدير المعلمات، مقارنةً بين ثمانية طرق كلاسيكية مثل الاحتمالية القصوى والمربعات الصغرى العادية، ويظهرون فعاليتها من خلال محاكاة مونت كارلو. تشير النتائج إلى أن مقدرات الحد الأقصى لمنتج المسافات (MPSEs) ومقدرات الاحتمالية القصوى (MLEs) توفر أكثر تقديرات المعلمات موثوقية لتوزيع EAPLL، مما يبرز قوتها في نمذجة بيانات البقاء عبر تطبيقات متنوعة.
DOI: https://doi.org/10.1038/s41598-024-68843-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39251622
Publication Date: 2024-09-09
Author(s): Veronica Kariuki et al.
Primary Topic: Statistical Distribution Estimation and Applications
Overview
This paper introduces the exponentiated alpha-power log-logistic (EAPLL) distribution, an extension of the log-logistic distribution designed for survival data modeling. The EAPLL distribution is characterized by its analytical simplicity and flexibility in accommodating various failure rate shapes, including increasing, reversed-J shaped, and bathtub forms. The authors derive key mathematical properties of the EAPLL and evaluate eight estimation methods through extensive simulations, ultimately recommending the maximum product of spacing (MPS) method for parameter estimation due to its superior performance.
The practical applicability of the EAPLL distribution is demonstrated through its analysis of three real-life survival data sets, where it outperforms competing log-logistic distributions. While the EAPLL offers significant advantages in modeling flexibility and data fitting, it also presents challenges such as potential complexity in parameter estimation and the need for robust computational tools. The study emphasizes the distribution’s relevance in survival analysis and suggests future research directions, including its application in other fields and the development of more efficient estimation methods. Overall, the EAPLL model is positioned as a valuable tool for understanding complex data structures and uncertainties in various phenomena.
Discussion
In this section, the authors introduce the EAPLL distribution, a four-parameter model derived from the EAP-G method and the baseline LL distribution. The EAPLL distribution, denoted as $EAPLL(\alpha, \beta, \theta, \delta)$, features three positive shape parameters ($\alpha$, $\theta$, and $\beta$) and a positive scale parameter ($\delta$). The flexibility of the EAPLL distribution is highlighted through its ability to model various data shapes, including symmetric, asymmetric, unimodal, and J-shaped forms, as evidenced by the diverse probability density function (PDF) and cumulative distribution function (CDF) structures. The hazard rate function (HRF) also exhibits multiple shapes, enhancing the distribution’s applicability in real-world data analysis.
The authors further explore the mathematical properties of the EAPLL distribution, including its quantile function (QF), moments, and order statistics. The QF is derived using the inverse transformation method, facilitating simulations and statistical analysis. The moments, which provide insights into the distribution’s characteristics, reveal that variations in the parameters significantly influence the distribution’s skewness and kurtosis. Additionally, the authors present a comprehensive examination of parameter estimation techniques, comparing eight classical methods such as maximum likelihood and ordinary least squares, and demonstrating their effectiveness through Monte Carlo simulations. The results indicate that the maximum product of spacing estimators (MPSEs) and maximum likelihood estimators (MLEs) yield the most reliable parameter estimates for the EAPLL distribution, underscoring its robustness in modeling survival data across various applications.